Atividades relacionadas a disciplina de IA não simbólica
A partir da análise de um processo de destilação fracionada de petróleo observou-se que
determinado óleo poderia ser classificado em duas classes de pureza {C1 e C2} a partir da
medição de três grandezas {x1, x2 e x3} que representam algumas das propriedades físico-
químicas do óleo. A equipe de engenheiros e cientistas pretende utilizar um Perceptron para
executar a classificação automática destas duas classes.
Assim, baseado nas informações coletadas do processo formou-se o conjunto de
treinamento tomando por convenção o valor –1 para óleo pertencente à classe C1 e o valor +1
para óleo pertencente à classe C2.
Portanto, o neurônio constituinte do Perceptron terá três entradas e uma saídaRede ADALINE para classificar os sinais
ruidosos e confirmar ao sistema comutador se os dados devem ser encaminhados para o
comando de ajuste da válvula A ou B.O reconhecimento de padrões é formalmente definido como o processo pelo qual um
padrão/sinal recebido é atribuído a uma classe dentre um número predeterminado de classes. Uma
rede neural realiza o reconhecimento de padrões passando inicialmente por uma seção de
treinamento, durante a qual se apresenta repetidamente à rede um conjunto de padrões de entrada
junto com a categoria à qual cada padrão particular pertence. Mais tarde, apresenta-se à rede um
novo padrão que não foi visto antes, mas que pertence à mesma população de padrões utilizada para
testar a rede. A rede é capaz de identificar a classe daquele padrão particular por causa da
informação que ela extraiu dos dados de treinamento.
A elaboração deste projeto de rede neural foi utilizado para a resolução do
problemas de classificação Iris Plants (dataset disponível no repositório Keel Dataset
https://sci2s.ugr.es/keel/datasets.php).Redes de Kohonen é uma boa alternativa para descobrirregularidades e correlações entre os exemplos de um conjunto de dados, agrupando-os em grupos.
Vale relembrar, que a priori não há conhecimento de nenhuma relação entre os exemplos, sendo
assim, esse processo de auto-organização é não-supervisionado, ou seja, a rede deverá reconhecer as
similaridades entre os exemplos sem que haja uma reposta desejada a ser apresentada para a rede.
Este processo de agrupamento de dados é muito útil na área de Mineração de Dados, que
possui como um dos seus principais objetivos a descoberta de informações relevantes a partir de um
grande conjunto de dados.
Esta Rede de Kohonen em um conjunto de dados que já
conhecemos as suas classes, o Iris Plants, disponível em Keel Dataset
(https://sci2s.ugr.es/keel/datasets.php).